Distributed lag non-linear models with Laplacian-P-splines for analysis of spatially structured time series
用于空间结构时间序列的拉普拉斯 P 样条分布滞后非线性模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究空间结构时间序列中的非线性滞后关系，对应时间序列方法方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于空间结构时间序列的拉普拉斯 P 样条分布滞后非线性模型
- 研究问题
- 在具有空间依赖的时间序列中，如何灵活刻画暴露与结局之间的非线性滞后关系，同时降低大规模时空模型的计算负担？
- 方法与思路
- 作者提出贝叶斯分布滞后非线性模型，结合条件自回归先验描述空间依赖，并用拉普拉斯近似计算回归参数的条件后验。
- 材料陈述的贡献
- 摘要称，方法将空间依赖纳入惩罚化分布滞后建模，通过避免 MCMC 采样提高计算效率，并以模拟及伦敦温度与死亡数据评估。
- 阅读关注点
- 应核对暴露、滞后与空间效应的模型结构、先验和惩罚设置，以及后验近似误差、计算比较和温度死亡关联的解释边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未报告近似精度、计算增益数值或因果识别条件，应用结果应按关联理解。
原文摘要
Distributed lag non-linear models (DLNM) have gained popularity for modeling nonlinear lagged relationships between exposures and outcomes. When applied to spatially referenced data, these models must account for spatial dependence, a challenge that has yet to be thoroughly explored within the penalized DLNM framework. This gap is mainly due to the complex model structure and high computational demands, particularly when dealing with large spatio-temporal datasets. To address this, we propose a novel Bayesian DLNM-Laplacian-P-splines (DLNM-LPS) approach that incorporates spatial dependence using conditional autoregressive (CAR) priors, a method commonly applied in disease mapping. Our approach offers a flexible framework for capturing nonlinear associations while accounting for spatial dependence. It uses the Laplace approximation to approximate the conditional posterior distribution of the regression parameters, eliminating the need for Markov chain Monte Carlo (MCMC) sampling, often used in Bayesian inference, thus improving computational efficiency. The methodology is evaluated through simulation studies and applied to analyze the relationship between temperature and mortality in London.